Geostatistical Mapping of Mountain Precipitation Incorporating Autosearched Effects of Terrain and Climatic Characteristics

Abstract

Hydrologic and ecologic studies in mountainous terrain are sensitive to the temporal and spatial distribution of precipitation. In this study a geostatistical model, Auto-Searched Orographic and Atmospheric Effects Detrended Kriging (ASOADeK), is introduced to map mountain precipitation using only precipitation gauge data. The ASOADeK model considers both precipitation spatial covariance and orographic and atmospheric effects in estimating precipitation distribution. The model employs gauge data and a multivariate linear regression approach to autosearch regional and local climatic settings (i.e., infer the spatial gradient in atmospheric moisture distribution and the effective moisture flux direction), and local orographic effects (the effective terrain elevation and aspect). The observed gauge precipitation data are then spatially detrended by the autosearched regression surface. The spatially detrended gauge data are further interpolated by ordinary kriging to generate a residual precipitation surface. The precipitation map is then constructed by adding the regression surface to the kriged residual surface. The ASOADeK model was applied to map monthly precipitation for a mountainous area in semiarid northern New Mexico. The effective moisture flux directions and spatial moisture trends identified by the optimal multiple linear regressions, using only gauge data, agree with the regional climate setting. When compared to a common precipitation mapping product [Precipitation-elevation Regression on Independent Slopes Model (PRISM)], the ASOADeK summer precipitation maps of the study area agree well with the PRISM estimates, and with higher spatial resolution. The ASOADeK winter maps improve upon PRISM estimates. ASOADeK gives better estimates than precipitation kriging and precipitation-elevation cokriging because it considers orographic and atmospheric effects more completely.

Factors influencing chloride deposition in a coastal hilly area and application to chloride deposition mapping

“…3.1), we attempt to use the ASOADeK regression to examine the effects of selected geographic (associated with coastal distance) and topographic variables on BCD. The original regression model, including both elevation and terrain aspect, can be found in Guan et al (2005). The regression model used below including elevation, terrain aspect and slope, first appears in Guan et al (2009).…”

“…In this context, geostatistical approaches, such as residual kriging (RK), kriging with external drift (KED), and cokriging, can be used to incorporate information of secondary variables in the mapping (Isaaks and Srivastava, 1989;Goovaerts, 2000;Guan et al, 2005). Because it is difficult to incorporate multiple secondary variables in cokriging, RK and KED are considered in this study.…”

Assessing precipitation distribution impacts on droughts on the island of Crete

“…Several studies deal with the variability of precipitation, analysing the relationship between mean annual precipitation and geographical factors (Basist et al, 1994;Guan et al, 2005;Harris et al, 1996;Naoum and Tsanis, 2004), and finding significant increasing relations between these characteristics. A common belief that precipitation amounts increase with elevation was then adopted, thereby proving that the mountainous environment is prone to extreme and frequent precipitation events (Allamano et al, 2009).…”

Χωροχρονική Ανάλυση Προσομοίωση Και Πρόγνωση Ξηρασίας Στην Υδρολογική Λεκάνη Πηνειού Ποταμού Θεσσαλίας

“…Η ακρίβεια όμως των μεθόδων αυτών σε ορεινές περιοχές όπου οι μετρήσεις είναι χωρικά πιο αραιές, είναι περιορισμένη [Basist et al, 1994;Daly et al, 1994;Marquinez et al, 2003;Alijani et al, 2008]. Η ενσωμάτωση, όμως, στη μέθοδο της παλινδρόμησης την πληροφορία της χωρικής συσχέτισης της βροχόπτωσης μπορεί να δώσει ικανοποιητικά αποτελέσματα [Goovaerts, 2000;Diodato, 2005;Guan et al, 2005;Moral, 2010] Οι παραπάνω μελέτες έδειξαν ότι οι χωρικοί χάρτες υπολογισμένοι με διαφορετικές μεθοδολογίες παρέχουν παρόμοια επιφανειακή βροχόπτωση αλλά διαφορετικές τιμές μέγιστης και ελάχιστης βροχόπτωσης και διαφορετικό συντελεστή μεταβλητότητας (coefficient of variation). Τα αποτελέσματα των παραπάνω μελετών έδειξαν ότι η ακρίβεια των μεθόδων χωρικής παρεμβολής σημειώνουν σημαντικές διαφορές και ότι οι προχωρημένες γεωστατιστικές τεχνικές έχουν καλύτερη χωρική απόδοση από τις απλές τεχνικές χωρικής παρεμβολής (π.χ., IDW και Thiessen Polygons) που χρησιμοποιούνται ευρέως σε υδρολογικές εφαρμογές και σε αδρομερή, ημικατανεμημένα και κατανεμημένα υδρολογικά μοντέλα και συστήματα.…”

“…Τα αποτελέσματα των παραπάνω μελετών έδειξαν ότι η ακρίβεια των μεθόδων χωρικής παρεμβολής σημειώνουν σημαντικές διαφορές και ότι οι προχωρημένες γεωστατιστικές τεχνικές έχουν καλύτερη χωρική απόδοση από τις απλές τεχνικές χωρικής παρεμβολής (π.χ., IDW και Thiessen Polygons) που χρησιμοποιούνται ευρέως σε υδρολογικές εφαρμογές και σε αδρομερή, ημικατανεμημένα και κατανεμημένα υδρολογικά μοντέλα και συστήματα. Τα αποτελέσματα αυτά έδειξαν επίσης ότι η χωρική παρεμβολή της βροχόπτωσης βελτιώνεται με τη χρήση του υψομέτρου του γεωγραφικού ανάγλυφου ως δευτερογενής μεταβλητή ακόμα και όταν η μεταβλητή αυτή (υψόμετρο) παρουσιάζει μικρή συσχέτιση με τη βροχόπτωση [Diodato, 2005;Guan et al, 2005;Schuurmans and Bierkens, 2007;Li and Heap, 2008;Vasiliades and Loukas, 2009b;Zhang and Srinivasan, 2009;Moral, 2010].…”